- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论(0)
- 学习资源
大赛简介
本数据集为3981个中文文字的图片数据集，图片已经剪裁完成，每个文字有多种不同字体下提取的图片。
1.ASCII码范围，[0x21--0x7e]。
2.汉字标点符号，14个。
3.常用的3981个字汉字。取自《义务教育语文课程标准（2011版）》
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 | 获奖人数 | 奖金额度说明(按最终得分评判) |
|---|
| 参与奖（总奖金30%） | 所有人 | 不同得分区间获得相应的竞赛奖金 |
| 突破奖（总奖金20%） | 所有人 | 更新排行榜得分，获取相应竞赛奖金 |
| 排名奖（总奖金50%） | 第一周/月前3名（冠、亚、季军） | 项目上线第一周、第一个月; Time_P(周) = 0.5，Time_P(月) = 0.5；K1=0.5，K2=0.3，K3=0.2； |
| 不同框架奖励 | 所有人 | 获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
数据来源
OCRWords
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 | 字段名称 | 字段类型 | 备注 |
|---|
| image_path | file_path | 不为空 | 图片的相对路径 |
| name | int | 不为空 | 图片中中文的16进制ASCII码 |
| label | int | 大于等于 0, 小于等于 3980 | 图片的标注标签 |
参考文献：
[1]
评审标准
算法输入输出格式
输入字段：
image_path,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 55分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为256，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为99.25。
batch数据为256，循环次数为9000次，通过在线上环境完成训练，模型最优精度评分为99.16。
batch数据为256，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为99.10。
4
batch数据为64，循环次数为8500次，通过在线上环境完成训练，模型最优精度评分为98.63。
5
batch数据为256，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为97.99。
6
batch数据为512，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为97.80。
7
batch数据为50，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为97.75。
8
batch数据为256，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为93.63。
9
batch数据为256，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为93.51。
10
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为92.15。
11
batch数据为512，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为91.46。
12
batch数据为256，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为89.61。
13
batch数据为128，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为85.37。
14
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为82.80。
15
batch数据为512，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为70.31。
16
batch数据为64，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为68.01。
17
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为67.20。
18
batch数据为64，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为43.03。
19
batch数据为1000，循环次数为70次，通过在线上环境完成训练，模型最优精度评分为37.30。
20
batch数据为3096，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为18.98。
21
batch数据为256，循环次数为9000次，通过在线上环境完成训练，模型最优精度评分为7.91。
22
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为6.86。
23
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为3.59。
24
batch数据为256，循环次数为2500次，通过在线上环境完成训练，模型最优精度评分为1.62。
25
batch数据为100，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为0.83。
26
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为0.45。
27
batch数据为64，循环次数为6000次，通过在线上环境完成训练，模型最优精度评分为0.29。
28
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为0.25。
29
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为0.06。
30
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.05。
31
batch数据为256，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为0.05。
32
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.05。
33
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.05。
34
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.05。
35
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.05。
36
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.05。
37
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.04。
38
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为0.04。
39
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为0.03。
40
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为0.02。
41
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为0.02。
42
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.02。
43
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为0.02。
44
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为0.02。
45
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
- gboy
模型得分为99.25，本次获得实时奖励奖金为150.46元
2019-05-29 14:14:41
- trickornot
模型得分为99.16，本次获得排名奖奖金为625元
2019-05-15 15:00:02
- 大木淡漠
模型得分为99.1，本次获得排名奖奖金为375元
2019-05-15 15:00:02
- 丶人狠话不多
模型得分为98.63，本次获得排名奖奖金为250元
2019-05-15 15:00:02
- yangsmile
模型得分为67.2，本次获得实时奖励奖金为3.75元
2019-04-29 10:45:01
- hhy
模型得分为82.8，本次获得实时奖励奖金为5.86元
2019-04-25 13:45:03
- trickornot
模型得分为99.16，本次获得排名奖奖金为375元
2019-04-24 16:07:49
- 大木淡漠
模型得分为99.1，本次获得排名奖奖金为250元
2019-04-24 16:07:49
- 打脸啪啪啪
模型得分为67.93，本次获得实时奖励奖金为7.5元
2019-04-23 12:52:44
- lyming
模型得分为82.75，本次获得实时奖励奖金为11.72元
2019-04-23 12:48:32
- baseline2
模型得分为93.63，本次获得实时奖励奖金为1.46元
2019-04-23 12:48:08
- 喵喵
模型得分为83.23，本次获得实时奖励奖金为23.44元
2019-04-23 12:48:00
- baseline2
模型得分为67.25，本次获得实时奖励奖金为15元
2019-04-23 12:47:52
- 喵喵
模型得分为69.88，本次获得实时奖励奖金为30元
2019-04-23 12:46:52
- trickornot
模型得分为92.29，本次获得实时奖励奖金为2.93元
2019-04-23 12:46:34
- 大木淡漠
模型得分为91.92，本次获得实时奖励奖金为11.72元
2019-04-23 12:46:26
- 善假于物
模型得分为93.55，本次获得实时奖励奖金为23.44元
2019-04-23 12:46:21
- Daiccccc
模型得分为97.14，本次获得实时奖励奖金为131元
2019-04-17 20:48:47
- Daiccccc
模型得分为91.24，本次获得实时奖励奖金为93.75元
2019-04-17 20:48:32
- 善假于物
模型得分为63.3，本次获得实时奖励奖金为15元
2019-04-17 20:48:20
- trick_or_treat
模型得分为92.15，本次获得实时奖励奖金为187.5元
2019-04-17 20:48:10
- trick_or_treat
模型得分为87.46，本次获得实时奖励奖金为46.88元
2019-04-17 20:47:57
- 你猜猜我是谁
模型得分为89.61，本次获得实时奖励奖金为93.75元
2019-04-17 20:47:52
- trick_or_treat
模型得分为73.18，本次获得实时奖励奖金为112.5元
2019-04-17 20:47:45
- 丶人狠话不多
模型得分为94.97，本次获得实时奖励奖金为607元
2019-04-17 20:47:37
- tik_boa
模型得分为64.21，本次获得实时奖励奖金为60元
2019-04-17 20:47:11
- 丶人狠话不多
模型得分为89.99，本次获得实时奖励奖金为617.5元
2019-04-17 20:47:06
